人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关 PET-CT - 肿瘤蒙版配对的新颖架构，通过创新的时间步骤控制机制和 “噪声播种” 策略改善 DDPM 采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐，但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。

Mar, 2024

该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

Apr, 2023

该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

Feb, 2023

通过深度学习生成的人工合成 CT 图像可用于 MR 引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。

Dec, 2023

最近在质子治疗的进展中，基于磁共振的治疗计划正逐渐得到认可，以降低与传统基于 CT 的方法相比的额外辐射暴露。这种转变凸显了精确的磁共振与 CT 图像合成的关键性需求，对于精确的质子剂量计算至关重要。本研究引入了扩散薛定谔桥模型（DSBM），这是一种创新的高质量磁共振与 CT 图像合成方法。DSBM 学习了 MR 和 CT 数据分布之间的非线性扩散过程。该方法通过从先验分布而非高斯分布开始合成，提高了传统扩散模型的生成质量和效率。我们通过头颈癌数据集验证了 DSBM 的有效性，并通过图像级和剂量级评估证明了其优于传统图像合成方法。DSBM 在基于磁共振的质子治疗计划中的有效性突出了其在各种临床场景中作为有价值工具的潜力。

Apr, 2024

本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法，通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

Oct, 2023

本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

Dec, 2016

降低 PET 成像的辐射暴露风险，引入以低剂量数据合成高质量 PET 图像的 PCT-CM 方法，通过逆扩散过程和 PET-VIT 网络实现高效的去噪过程，获得与现有扩散合成模型相媲美的合成质量，提升低剂量 PET 图像在临床应用中的质量。

Aug, 2023

本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

May, 2018

研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

Mar, 2023